Statistiques descriptives
|
|
- Côme Goudreau
- il y a 7 ans
- Total affichages :
Transcription
1 CAPACITES D'ORTHOPHONIE ET D'ORTHOPTIE Statistiques descriptives Gérard Soula LERTIM Faculté de Médecine Marseille Support de cours d'après le polycopié : Biostatistique en PCEM1 H. Chaudet, B. Giusiano, J. Gouvernet, M. Roux, E. Sanchez, M. Fieschi
2 Introduction générale aux statistiques Avant propos Objectif = initiation méthodologique à l'analyse et au traitement des données en biologie et en médecine. Généralités La méthode statistique a pour but de: ο dégager certaines propriétés d'un ensemble de mesures (ou d'observations) ο ou de décrire cet ensemble (appelé population).
3 Population, échantillon Une population peut être tout aussi bien un groupe d'êtres humains ou un ensemble d'objets. Tous ces éléments ont en commun un attribut ou encore une propriété qui caractérise cet ensemble d'éléments. Exemple: Les individus de sexe masculin. Le statisticien n'étudie pas le caractère sur l ensemble de la population, mais sur un échantillon extrait de la population: La taille de la population peut être très importante et le coût de l'enquête serait trop important. L'accès à tous les individus de la population est matériellement impossible. L'étude du caractère peut détruire les éléments de la population. Le nombre d éléments constituant l'échantillon est appelé l'effectif ou la taille de l'échantillon. Un bon échantillon doit constituer une image réduite de l'ensemble de la population dont on veut étudier un caractère bien défini. Dans le cas contraire, on dit que l'échantillon est biaisé. Le choix de l'échantillon, le recueil des données nécessaires à l'étude que l'on se propose, constituent la partie fondamentale, la plus longue, de l'étude. Afin de généraliser les résultats obtenus sur l'échantillon, on désire que celui-ci représente le mieux possible la population cible c est à dire celle sur laquelle porte l étude.
4 Echantillonnage Comment choisir un échantillon pour qu'il soit représentatif? Tirage au hasard Un échantillon ne doit en aucun cas être choisi par commodité. Afin de disposer d un échantillon représentatif, il faut le constituer d une manière aléatoire: un véritable tirage au sort, utilisation des tables de nombres aléatoires Stratification On subdivise la population en sous groupes (ou strates). On choisit ensuite l'échantillon en tirant au sort dans les strates. Chaque strate peut être représentée en fonction de son importance dans la population. Exemples: Si l'on veut faire une enquête épidémiologique sur l'hypertension artérielle, on pourra constituer un échantillon qui sera un modèle réduit de la population étudiée. En stratifiant de telle sorte qu il respecte les mêmes proportions que la composition de la population quant aux catégories socioprofessionnelles, aux tranches d'âges, au sexe... Dans un essai thérapeutique d'un traitement anticancéreux, on pourra définir les strates en tenant compte des facteurs pronostiques tels que: taille de la tumeur, extension locorégionale, métastase à distance,... Le prélèvement de l'échantillon doit être fait au hasard.
5 Il n'est pas toujours facile de prélever un bon échantillon. Exemple de difficultés dans le chois d'un échantillon: On se propose d'étudier le pourcentage de décès dans la population française des sujets atteints d'un infarctus du myocarde. On peut constituer un échantillon en observant les décès des malades qui ont été hospitalisés dans un service hospitalier donné. Le biais introduit, si la population cible est la population de tous les français, est évident. En effet, le service hospitalier a un recrutement particulier et une renommée telle qu'il hérite, peut-être, de malades plus graves, ou d'une catégorie sociale dont le genre de vie, l'alimentation, l'âge..., sont des facteurs pronostiques qui peuvent modifier l'issue de la phase aiguë. Un échantillon représentatif de la population française atteinte d'un infarctus du myocarde pourrait être obtenu par tirage au sur tous les cas d'infarctus du myocarde recensés en France. Toutefois on ne les connaît pas tous et il est toujours possible d'introduire un biais.
6 Problème de l estimation Il s agit d évaluer un paramètre (une caractéristique) sur un échantillon pour pouvoir estimer ce paramètre pour la population toute entière. Exemple: Evaluation, à partir de la mesure de la glycémie pratiquée sur un échantillon de sujets sains ayant entre 20 et 40 ans, de la valeur moyenne de la glycémie pour tous les sujets sains de cette tranche d'âge. Si l'on veut que cette estimation soit aussi précise que possible, il est nécessaire que l'échantillon soit aussi représentatif que possible de la population. Les tests statistiques Problème: de tirer des conclusions sur la population à partir de l'étude d'un ou plusieurs caractères observés sur les individus d'un ou de plusieurs échantillons issus de cette population. Ce problème inclut celui de la comparaison de caractéristiques (une ou plusieurs) issues de 2 ou plusieurs populations. (comparer la glycémie moyenne des sujets urbains et des sujets ruraux). Solution: les tests statistiques qui sont des tests d'hypothèses. Ils permettent de faire des inférences statistiques.
7 Statistique descriptive Buts de la statistique descriptive Toute série d'observations comporte un certain nombre de données relatives à un ou plusieurs caractères ou encore variables. Le but des statistiques descriptives est de décrire un ensemble d'observations à l'aide de quelques éléments caractéristiques. Exemple: la taille des Français adultes. Dans ce cas les mesures seront nombreuses, le tableau des données, c'est-àdire la liste des tailles de tous les sujets, ne donnera, au premier abord, aucun renseignement clair. Grâce aux statistiques descriptives, on caractérisera cet ensemble d'individus par un moyen simple qui permettra de réduire le nombre de données. Par exemple, si on s'intéresse à la taille, on procédera au calcul de la valeur moyenne de la taille. De cette façon, il est bien certain que l'on perd de l'information, mais on gagne en commodité de manipulation. Pour présenter les données, le premier travail consiste donc à rassembler et à présenter clairement les observations. Plusieurs cas sont à envisager suivant le type des données recueillies: qualitatif, ordinal, quantitatif.
8 Les différents types de données 1) Les données de type qualitatif Un caractère est qualitatif s'il peut se présenter sous plusieurs aspects ou suivant plusieurs modalités. Ces données donnent lieu à des dénombrements. Exemples: le sexe, la couleur des yeux, l'efficacité ou la non efficacité d'un traitement, la nature des cellules d'un tissu, le groupe sanguin,... On est amené à définir des catégories ou classes exclusives correspondant aux différentes modalités du caractère observé, puis à déterminer à quelle classe appartient chaque individu. Un individu appartient à une classe et une seule.
9 2) Données de type ordinal Le caractère observé est de type ordinal s'il existe entre les diverses classes une relation d'ordre. Exemple de relation d'ordre: plus grave que..., de meilleur pronostic que... Exemple: Classification en stades 1, 2, 3, 4 des patients atteints de la maladie de Hodgkin. Les malade au stade 2 sont plus gravement atteints que ceux qui sont classés au stade 1... on affecte chaque individu à une classe et une seule. Il existe un ordre sur les classes.
10 3) Données de type quantitatif Une variable quantitative prend pour valeur un nombre résultant de la mesure, avec une unité, du caractère chez chaque individu. La mesure est telle qu'une même différence entre des valeurs observées a toujours la même signification. Exemple de la mesure de la taille: Soient 4 individus A, B, C, D dont les tailles sont exprimées en centimètres: A = 175 cm; B = 180 cm; C = 165 cm; D = 170 cm. (On peut dire que = = 5 cm.) Un caractère quantitatif est : discret s'il prend des valeurs isolées, continu s'il prend toutes les valeurs, de son intervalle de variation. Exemples de caractères quantitatifs discontinus (ou discrets): nombre d'enfants dans une fratrie, nombre de cellules par mm 3,... Exemples de caractères quantitatifs continus: tension artérielle, glycémie,...)
11 Caractérisation des données I) Caractérisation des données qualitatives et ordinales unidimensionnelles II) Caractérisation des données qualitatives à deux dimensions III) Caractérisation des données quantitatives à une dimension IV) Caractérisation des données quantitatives à deux dimensions
12 Caractérisation des données qualitatives et ordinales unidimensionnelles 1) Fréquence absolue et tableau des effectifs 2) Fréquences relatives 3) Fréquences cumulées (relatives et absolues) 4) Diagramme "camembert" 5) Diagramme en bâtons et mode
13 1) Fréquence absolue et tableau des effectifs La fréquence absolue est le nombre d'individus par classe. Ce dénombrement donne lieu à une représentation des données sous forme de tableau. Exemple: On a dénombré sur une ensemble de 180 sujets, les individus qui appartenaient aux différents groupes sanguins. A+ A- B+ B- AB+ AB- O+ O Description de l'échantillon des groupes sanguins Sur les classes ainsi formées, seules les opérations suivantes sont permises: réaliser des classes disjointes à partir d'une seule classe, regrouper certaines classes. La seule relation qui puisse être utilisée sur ces données est la relation d'appartenance à une même classe. Exemple: regrouper les classes correspondant aux rhésus + ou -, ou ignorer le rhésus pour former les groupes A, B, AB, O A B AB O Description de l'échantillon des groupes sanguins sans facteur rhésus
14 2) Fréquences relatives Les fréquences relatives sont, pour chaque classe, le rapport de son effectif au nombre total d'individus de la série des mesures. La somme des fréquences relatives est égale à 1. Parfois, les résultats sont exprimés en pourcentage, chacune des fréquences relatives étant multipliée par 100 et arrondies à l'unité A B AB O 50% 14% 4% 32% Fréquences relatives (exprimées en pourcentage)
15 3) Fréquences cumulées (relatives et absolues) Les fréquences cumulées sont utilisées pour les données ordinales qui présentent des classes ordonnées. Exemple: Sur un échantillon de 500 malades cancéreux, on a noté le stade de la maladie. On peut résumer ou présenter ces données par des fréquences relatives. Stade Nombre de malades Fréquence relative (%) Répartition du Stade de la maladie Fréquence relative cumulée(%) Cette présentation permet de dire, par exemple, que 92% des sujets examinés ont un stade inférieur ou égal à 2.
16 4) Diagramme "camembert" On peut représenter les effectifs absolus ou relatifs des classes par des secteurs de cercle dont la surface est proportionnelle à l'effectif. Le diagramme "camembert" est bien adapté à la représentation des données qualitatives "pures". Exemple: Yeux marron vert bleu noir Effectif Couleur des yeux dans un échantillon de 100 sujets Diagramme "camembert"
17 5) Diagramme en bâtons et mode 5.1) Diagramme en bâtons Pour les données ordinales on peut également représenter les fréquences absolues, relatives ou cumulées par un diagramme en bâtons. Exemple: échantillon de 500 cancéreux dont on a noté le stade. Stade Nombre de malades Fréquence relative (%) Répartition du Stade de la maladie Fréquence relative cumulée Diagramme en bâtons des stades de la maladie
18 5.2) Mode Le mode ou classe modale est la classe (catégorie) qui offre la plus grande fréquence. Exemple: Diagramme en bâtons des stades de la maladie La classe caractérisée par le stade 1 est la classe qui contient le plus grand nombre de sujets, c'est le mode ou classe modale. Dans le cas de variables ordinales, si les données montrent plusieurs classes d'effectifs supérieurs aux effectifs des classes voisines, on dit que le diagramme représente une distribution multimodale: bi-modale, tri-modale... Dans le cas contraire, on dit que la distribution est uni-modale.
19 Caractérisation des données qualitatives à deux dimensions Les modalités de deux variables qualitatives permettent de constituer des classes exclusives auxquelles sont affectées chaque observation. Les classes exclusives sont représentées sous la forme d'un tableau appelé tableau de contingence. Exemple: Dans un échantillon de 200 sujets on a relevé la présence ou l'absence d'un signe clinique S cet d'une maladie M. Les malades présentant la maladie sont dénombrés dans la colonne M, les autres dans la colonne non M. M non M Total S non S Total Tableau de contingence Ce tableau comporte deux parties: les effectifs dénombrés pour chacune des modalités, pour chacun des deux caractères étudiés, les effectifs de chaque modalité d'un caractère, quelles que soient les modalités de l'autre caractère. Ces effectifs sont situés dans la dernière colonne et la dernière ligne. La dernière ligne et la dernière colonne sont appelées: les "marginales", (marge ligne et marge colonne) ou encore "distributions marginales".
20 Caractérisation des données quantitatives à une dimension 1) Généralités Rappel: les variables quantitatives peuvent être de deux types: variables discontinues (ou discrètes) et variables continues. Dans le cas des variables discontinues, il est possible de représenter les données par un diagramme en bâtons, comme dans le cas de données ordinales. Dans tous les cas, on peut diviser l'intervalle de variation de la variable en un certain nombre de classe et l'on dénombre toutes les mesures à l'intérieur de chaque classe. Exemple: soit la série de mesures représentant les âges de 20 individus, rangées par ordre croissant: 3, 5, 6, 7, 8, 11, 15, 20, 21, 22, 23, 23, 23, 30, 31, 32, 35, 36, 40, 45 On peut décider de déterminer des classes d'âge de 10 ans en 10 ans: 0-10 ans, ans, ans, ans, ans. Classe Effectif/Classe Effectifs par classe
21 2) Histogramme Construction: on porte sur l'axe des abscisses les extrémités de chaque classe et pour chacune d'elles on construit un rectangle dont la base est le segment limité aux extrémités de la classe et la surface est proportionnelle à l'effectif de la classe. La surface limitée par la ligne polygonale obtenue en bordant la partie supérieure de l'ensemble des rectangles s'appelle l'histogramme. Histogramme Un histogramme est tracé en respectant deux règles: l'échelle sur l'axe des abscisses est identique pour tous les intervalles de classes, la surface de chacun des rectangles est proportionnelle au nombre d'individus de la classe. La deuxième règle se simplifie si les intervalles de classe ont tous la même largeur. Cette simplification est très souvent utilisée. En effet quand les intervalles de classe sont de même largeur, la hauteur du rectangle est proportionnelle à l'effectif, ce qui facilite la lecture de
22 l'histogramme.
23 Le contour polygonal joignant les milieux des bases supérieures des rectangles s'appèle le polygone des fréquences. Histogramme et polygone des fréquences
24 Si on augmente le nombre des classes recouvrant l'étendue de l'échantillon, l'intervalle de chaque classe devenant très petit, on peut admettre, à condition que la population soit "infinie", que l'histogramme et le polygone des fréquences se "rapprochent", et que leur limite commune est une courbe continue. Courbe de fréquences et distribution des fréquences Cette courbe est dite "courbe des fréquences". L'ensemble des classes affectées de leur fréquence constitue une distribution de fréquences. Quand le nombre de classes tend vers l'infini, le polygone des fréquences devient une ligne continue: la courbe des fréquences.
25 3) Paramètres statistiques décrivant un ensemble de mesures quantitatives. Problème: présenter de façon simple et abrégée, les caractéristiques principales de l'ensemble des mesures qui ont été effectuées sur un échantillon ou une population. Solution: utiliser des grandeurs numériques appelées paramètres de la distribution réparties en deux catégories: les paramètres de position: moyenne, médiane, mode les paramètres de dispersion: variance, écart-type, quantiles. Ces paramètres font partie des grandeurs statistiques que l'on nomme parfois "statistiques". On dira par exemple que le calcul de la moyenne est le calcul d'une statistique.
26 3.1) Paramètres de tendance centrale ou de position: moyenne, médiane, mode Ces paramètres définissent l'ordre de grandeur de l'ensemble des mesures de la distribution. Ce sont les valeurs autour desquelles se groupent les différentes mesures. La moyenne La valeur centrale la plus utilisée est la moyenne arithmétique de la variable mesurée, c'est-à-dire le rapport de la somme des mesures au nombre de mesures effectuées. On peut caractériser la tendance centrale par la moyenne notée: X = 1 n n i=1 x n = i i=1 x i n La moyenne s'exprime dans les mêmes unités que les valeurs observées. Notations: {x 1, x 2,... x n } la série de mesures, X la moyenne, n l'effectif. Exemple: Considérons la série de mesures constituée par les poids en Kg de 5 individus: 72,5 ; 70,0 ; 76,0; 68,5 ; 73,0. La moyenne est égale à 72 kg.
27 La médiane La médiane est l'abscisse du point qui laisse de part et d'autre un nombre égal d'observations. C'est donc un nombre de même nature et de même unité que les valeurs observées. Pour déterminer la médiane d'une série de nombres, il est nécessaire d'ordonner cette série de mesures. Exemple : poids en Kg de 5 individus: 72,5 ; 70,0 ; 76,0; 68,5 ; 73,0. mesures ordonnées: 68,5 ; 70 ; 72,5 ; 73,0 ; 76,0. La médiane est égale à 72,5 Kg. (il y a autant de mesures inférieures à 72,5 que de mesures supérieurs à72,5). Deux cas peuvent se présenter: si n est impair (n = 2k + 1), la médiane est la valeur de la mesure qui se situe au milieu de la série de mesures ordonnées: c'est x k+1 Si n est pair (n = 2k), on appelle médiane toute valeur comprise entre x k et x k+1. En effet, il n'y a pas de valeur observée qui soit au milieu de la série de mesures. Remarques: La médiane est moins influencée que la moyenne arithmétique par les valeurs extrêmes de la variable. Exemple :Si le premier des poids (68,5 kg) est remplacé par 55 kg, la moyenne est influencée alors que la médiane reste identique. La médiane peut aussi être utilisée dans le cas des données ordinales, puisque sa détermination se base sur l'ordre des données.
28 Le mode Le mode, encore appelé valeur dominante, est la valeur de la variable dont la fréquence est maximale. Si les données sont affectées à des classes, on parle de classe modale. La classe modale est celle dont la fréquence est maximale. C'est, dans le cas d'une courbe continue des fréquences, l'abscisse du point d'ordonnée maximale. Si la distribution de fréquences est symétrique et unimodale, moyenne arithmétique, médiane et mode sont confondus. Distribution symétrique et dissymétrique
29 Il peut, dans certaines distributions, n'y avoir qu'un petit nombre d'observations dans le voisinage de la moyenne ou de la médiane Aucune valeur de X ne se trouve près de la moyenne et de la médiane. Moyenne et dispersion Une distribution peut avoir plusieurs classes modales, elle est dite alors: bimodale, trimodale,..., plurimodale (plusieurs classes dont les effectifs sont grands, séparées par des classe à effectifs faibles). Une telle distribution traduit généralement un échantillon d'individus hétérogènes. Propriété de la moyenne Soit la série de mesures {x 1, x 2,...x n } de moyenne X constantes a et b (a 0). et deux Considérons la série: {y 1,... y n } telle que y 1 = ax 1 + b, y 2 = ax 2 + b,... y n = ax n + b ; soit {ax 1 + b;...; ax n +b} La moyenne de cette nouvelle série est égale à Y = a X + b
30 3.2) Paramètres de dispersion Problème: la moyenne ne suffit pas pour caractériser un ensemble de données. Exemples: La valeur moyenne de la série suivante: 1, 8, 9, 10, 11, 12, 19 est égale à 10. La valeur moyenne de la série 8, 8, 9, 10, 11, 12, 12 est égale à 10. La dispersion des mesures autour de la moyenne 10 est beaucoup moins importante. Paramètres de dispersion et de position Solutions: Variance, écart-type, Etendue, Quantiles
31 Variance Le paramètre le plus efficace pour rendre compte de la dispersion d'une série de mesures est la variance ou sa racine carrée: l'écarttype. La variance est définie comme la moyenne arithmétique des carrés des écarts à la moyenne de l'échantillon. n (x X )2 Var(X)= i n i=1 où X est la moyenne de la série de mesures et n l'effectif. Propriété de la variance n x 2 i Var(X)= i=1 n x 2 "Moyenne des carrés moins carré de la moyenne" Attention: Var(X) est la variance de l'échantillon, ce n'est ni la variance de la population dont est issu l'échantillon, ni l'estimation de la variance de la population.
32 Ecart-type l'écart-type est la racine carrée de la variance, afin de disposer d'un indice de dispersion qui s'exprime dans la même unité que la grandeur mesurée. Ecart type(x)= Var(X) Exemple: calcul de variance et d'écart-type de la mesure des poids d'individus dans un échantillon de moyenne 72 kg. x i 70 68,5 72, x i - X -2-3,5 0,5 1 4 (x i - X ) ,25 0, Variance = 33,5 / 5 = 6,7 Kg 2 Ecart-type = 2,59Kg. x i , Ecart-type = 2,23Kg. x i , Ecart-type = 5,5Kg.
33 Propriété de la variance: Soit la série {x 1, x 2,...x n } de moyenne X et de variance Var (X) et deux constantes a et b (a 0). Considérons la série {y 1,..., y i,...,y n } sachant que y i = ax i + b. Soit {y 1 = ax 1 + b;...;y n = ax n + b}. Le calcul montre que la variance de cette nouvelle série (que nous noterons Var(Y)) est égale à: Var(Y)=a 2 Var(X) ecart type(y)= a Var(x) = a ecart type(x)
34 Etendue On définit l'étendue d'une série de mesures comme la différence entre la plus grande et la plus petite valeur de la série: e=x max -x min Quantiles Les quantiles sont les valeurs de la variable qui divisent l'échantillon ordonné en groupes d'effectifs égaux. Selon le nombre de groupes souhaités les quantiles portent des noms différents: quartiles pour 4 groupes, déciles pour 10 groupes, percentiles pour cent groupes.
35 Les quartiles Les quartiles sont les abscisses correspondant aux valeurs de la série X qui partagent l'effectif total, après l'avoir ordonné, en 4 classes de même effectif. Entre la limite inférieure de l'étendue et le premier quartile, on retrouve un quart des observations. Un autre quart des observations se retrouve entre le premier et le deuxième quartile. Remarque: le deuxième quartile n'est autre que la médiane. Exemple: Ages de n = 20 individus: 3, 5, 6, 7, 8, 11, 15, 20, 21, 22, 23, 23, 23, 30, 31, 32, 35, 36, 40, 45. L'effectif de chaque quartile est de 5. La valeur qui sépare le 1 er groupe du 2 ème est située entre 8 et 11. Toute valeur comprise entre 8 et 11 peut être retenue comme premier quartile, toute valeur entre 22 et 23 comme deuxième quartile. Les écarts inter-quartiles donnent une idée de la dispersion: plus les données sont groupées, plus l'espace inter-quartile est faible. (Différence entre la première et dernière valeur contenue dans le quartile). Les percentiles Les percentiles définissent 100 groupes d'effectifs correspondants chacun à 1% de l'effectif de l'échantillon. Le 50 ième percentile correspond à la médiane. Remarque: Mode, médiane, quantiles peuvent être utilisés dans le cas de données ordinales
36 Caractérisation des données quantitatives à deux dimensions Considérons des mesures X et Y effectuées sur un échantillon d'effectif n. Deux mesures ont été effectuées en même temps sur le même individu "i": x i et y i. Exemple: On peut mesurer chez n individus la concentration sanguine du potassium et du chlore. Nous obtenons pour chaque individu le couple de mesures(x i, y i ). Problème: comment caractériser ces mesures? Solutions: nuage de points, covariance, coefficient de corrélation
37 1) Nuage de points Chacune des observations (x i, y i ) est représentée par un point dans le plan. L'ensemble des points constitue "un nuage de points". L'aspect de ce nuage est important à observer. Le point ayant pour coordonnées ( X,Y ) représente le point "moyen". Ce point, noté G, dont les coordonnées sont les moyennes des deux séries d'observations, s'appelle: "centre de gravité". Nuage de points
38 2) Covariance Rappel: Variance = dispersion d'une donnée quantitative. Covariance = dispersion d'une donnée quantitative à deux dimensions. La covariance caractérise la dispersion des points de coordonnées (x i, y i ) par la moyenne du produit des écarts, pour chaque point, entre ses coordonnées et leurs valeurs moyennes. Covar(X,Y)= 1 n n (x X ) (y Y ) i=1 i i 3) Coefficient de corrélation Le coefficient de corrélation, noté r, est une grandeur qui reflète la dispersion des couples (x i, y i ) en fonction de la dispersion observée pour chacune des deux séries de mesures X et Y. r = Covar(X,Y) Var(X) Var(Y) Remarque: r est un nombre sans dimension et on montre qu'il est compris entre -1 et 1.
39 Ce qu'il faut savoir absolument Type de données Présentation des données Représentation graphique Données à 2 dimensions Qualitatif Dénombrement par classes Fréquences absolues Fréquences relatives Camembert Tableau de contingence Regroupement libre Ordinal Dénombrement par classes ordonnées Fréquences absolues Fréquences relatives Fréquences cumulées Diagramme en bâton Tableau de contingence Regroupement des classes contiguës Quantitatif Tableau des mesures Paramètres de tendance centrale (ex: moyenne) Histogramme Nuage de points Covariance Paramètres de dispersion (ex: variance, écarttype) Coefficient de corrélation Représentation des différents types de données
40 Type de données Quantitatif Paramètre Calcul central moyenne X = 1 n n x = i médiane i=1 n x i n i=1 Valeur(s) qui sépare(nt) l'ensemble des données ordonné(es) en deux sous ensembles de même effectif Ordinal mode classe de plus grand effectif Unité celle des x i celle des x i celle des x i Paramètres de tendance centrale d'une série d'observations Type de données Paramètre de dispersion variance Quantitatif écart-type Ordinal quantiles quantiles Calcul n (x X )2 Var(X)= i n i=1 Unité unité des x i au carré Var(X) valeur de la variable divisant l'ensemble ordonné des données en sous ensembles d'effectifs égaux valeur de la variable divisant l'ensemble ordonné des données en sous ensembles d'effectifs égaux celle des x i celle des x i celle des x i Paramètres de dispersion
Statistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
Plus en détailStatistiques - Cours. 1. Gén éralités. 2. Statistique descriptive univari ée. 3. Statistique descriptive bivariée. 4. Régression orthogonale dans R².
Statistiques - Cours Page 1 L I C E N C E S c i e n t i f i q u e Cours Henri IMMEDIATO S t a t i s t i q u e s 1 Gén éralités Statistique descriptive univari ée 1 Repr é s e n t a t i o n g r a p h i
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailUNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand
UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailSERIE 1 Statistique descriptive - Graphiques
Exercices de math ECG J.P. 2 ème A & B SERIE Statistique descriptive - Graphiques Collecte de l'information, dépouillement de l'information et vocabulaire La collecte de l information peut être : directe:
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailÉtude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France
Étude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France Le 13 octobre 2014 Autorité des marchés financiers 17, place de la Bourse 75082 Paris cedex 02 Tél. : 01 53
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailSTATISTIQUES DESCRIPTIVES
1 sur 7 STATISTIQUES DESCRIPTIVES En italien, «stato» désigne l état. Ce mot à donné «statista» pour «homme d état». En 1670, le mot est devenu en latin «statisticus» pour signifier ce qui est relatif
Plus en détailUtilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition
09-0749 1 WHO/EMP/MAR/2009.3 Utilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition Synthèse des résultats des études publiées entre 1990 et 2006 Organisation
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailBulletin d information statistique
INFOSTAT JUSTICE Divorces : une procédure à deux vitesses Zakia Belmokhtar * Mai 2012 Numéro 117 En visant à permettre un règlement plus rapide et plus complet des demandes en divorce, la loi du 26 mai
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailINFIRMIER(E) GRADUE(E) SPECIALISE(E) EN SANTE COMMUNAUTAIRE HAUTE ECOLE DE LA PROVINCE DE LIEGE PROFESSEUR : RENARD X.
INFIRMIER(E) GRADUE(E) SPECIALISE(E) EN SANTE COMMUNAUTAIRE HAUTE ECOLE DE LA PROVINCE DE LIEGE PROFESSEUR : RENARD X. Année scolaire 009-010 TABLE DES MATIERES CHAPITRE 1: Eléments de statistiques descriptives...
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailStatistique descriptive. Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne. Notes de cours
Statistique descriptive Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne Notes de cours Dernière mise à jour le mercredi 25 février 2009 1 ère année de Licence Aix & Marseille
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailMATHÉMATIQUES. Mat-4104
MATHÉMATIQUES Pré-test D Mat-404 Questionnaire e pas écrire sur le questionnaire Préparé par : M. GHELLACHE Mai 009 Questionnaire Page / 0 Exercice ) En justifiant votre réponse, dites quel type d étude
Plus en détailUNITÉS ET MESURES UNITÉS DE MESURE DES LONGUEURS. Dossier n 1 Juin 2005
UNITÉS ET MESURES UNITÉS DE MESURE DES LONGUEURS Dossier n 1 Juin 2005 Tous droits réservés au réseau AGRIMÉDIA Conçu et réalisé par : Marie-Christine LIEFOOGHE Bruno VANBAELINGHEM Annie VANDERSTRAELE
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détail- Ressources pour les classes
Mathématiques Collège - Ressources pour les classes de 6 e, 5 e, 4 e, et 3 e du collège - - Organisation et gestion de données au collège - Ce document peut être utilisé librement dans le cadre des enseignements
Plus en détailL'insertion professionnelle des diplômés DNSEP 2003 trois ans après le diplôme
IREDU-CNRS Ministère de la Culture et de la Communication Délégation aux Arts plastiques Magali Danner Gilles Galodé L'insertion professionnelle des diplômés DNSEP 2003 trois ans après le diplôme Enquête
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailAnalyse et interprétation des données
8 Analyse et interprétation des données Les données de l enquête peuvent être utilisées pour différents types d analyses aussi bien au niveau national qu au niveau international. Ce chapitre explique comment
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détail1. Introduction...2. 2. Création d'une requête...2
1. Introduction...2 2. Création d'une requête...2 3. Définition des critères de sélection...5 3.1 Opérateurs...5 3.2 Les Fonctions...6 3.3 Plusieurs critères portant sur des champs différents...7 3.4 Requête
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailPerrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6
Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 1 1.But et théorie: Le but de cette expérience est de comprendre l'intérêt de la spectrophotométrie d'absorption moléculaire
Plus en détailOrganisme certificateur : 10 rue Galilée 77420 Champs sur Marne Tél : +33 (0)1 72.84.97.84 Fax : +33 (0)1 43 30 85 65 www.fcba.fr. www.marque-nf.
N d identification AFNOR Certification : NF 061 MQDQ-CERT 15-306 du 18/01/2015 N de Révision : 16 Date de mise en application : 04/03/2015 Annule et remplace le MQDQ-CERT /14-324 du 15/05/2014 REGLES GENERALES
Plus en détailÉlément 424b Introduction à la statistique descriptive
CTU Master AGPS De la donnée à la connaissance : traitement, analyse et transmission Élément 44b Introduction à la statistique descriptive Prof. Marie-Hélène de Sède-Marceau Année / Statistique Introduction
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailM. GUILLAUME ^ Alimentation en eau potable /} ( de la Ville de Metz Implantation de nouvelles stations de pompage dans la région de La Maxe-Thur;y
M. GUILLAUME ^ Alimentation en eau potable /} ( de la Ville de Metz Implantation de nouvelles stations de pompage dans la région de La Maxe-Thur;y 15 Octobre 1954 BUREAU DE RECHERCHES GEOLOGIQUES GEOPHYSIQUES
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailIntroduction à la statistique descriptive
Chapitre chapitre 1 Introduction à la statistique descriptive Les méthodes de la statistique descriptive (statistique déductive) permettent de mener des études à partir de données exhaustives, c est-à-dire
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailRésumé non technique. Tableaux d estimation
Résumé non technique Tableaux d estimation 4 Chapitre 1 Introduction 5 E n application de la directive européenne 2002/49/CE, et de ses retranscriptions en droit français (décret 2006-361 du 24 mars 2006
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailPRÉSENTATION DES QUESTIONS DE LA FEUILLE DE LOGEMENT
PRÉSENTATION DES QUESTIONS DE LA FEUILLE DE LOGEMENT Chacune des questions de la feuille de logement fait l'objet d'une fiche recto-verso. Ces fiches ont vocation à être mises en ligne sur le site web
Plus en détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailAFFAIBLISSEMENT DÛ AUX NUAGES ET AU BROUILLARD
Rec. UIT-R P.84- RECOMMANDATION UIT-R P.84- AFFAIBLISSEMENT DÛ AUX NUAGES ET AU BROUILLARD (Question UIT-R /3) Rec. UIT-R P.84- (99-994-997) L'Assemblée des radiocommunications de l'uit, considérant a)
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailChapitre 2 : Caractéristiques du mouvement d un solide
Chapitre 2 : Caractéristiques du mouvement d un solide I Rappels : Référentiel : Le mouvement d un corps est décris par rapport à un corps de référence et dépend du choix de ce corps. Ce corps de référence
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailÉtudes. Coût de la chirurgie d une hernie discale
Études Coût de la chirurgie d une hernie discale 1 Table des matières 03 Objectif 04 Introduction 05 Données et méthodologie 06 Caractéristiques des hospitalisations 09 Profil de la population hospitalisée
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailInvestissement dans la construction de nouveaux bâtiments résidentiels (travaux mis en place) Méthodologie
Investissement dans la construction de nouveaux bâtiments résidentiels (travaux mis en place) Méthodologie Division de l investissement et du stock de capital Méthodologie L'investissement dans la construction
Plus en détailObservatoire Economique et Statistique d Afrique Subsaharienne
Observatoire Economique et Statistique d Afrique Subsaharienne Termes de référence pour le recrutement de quatre (4) consultants dans le cadre du Projet «Modules d initiation à la statistique à l attention
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailIntroduction à la lecture des tableaux statistiques. par Jean-Paul Grémy Professeur honoraire à l université de Paris V
Introduction à la lecture des tableaux statistiques par Jean-Paul Grémy Professeur honoraire à l université de Paris V 2 Ce manuel propose quelques principes empiriques destinés à faciliter la lecture
Plus en détailRÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3
RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans
Plus en détailMETHODOLOGIE GENERALE DE LA RECHERCHE EPIDEMIOLOGIQUE : LES ENQUETES EPIDEMIOLOGIQUES
Enseignement du Deuxième Cycle des Etudes Médicales Faculté de Médecine de Toulouse Purpan et Toulouse Rangueil Module I «Apprentissage de l exercice médical» Coordonnateurs Pr Alain Grand Pr Daniel Rougé
Plus en détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
Plus en détailCollecter des informations statistiques
Collecter des informations statistiques FICHE MÉTHODE A I Les caractéristiques essentielles d un tableau statistique La statistique a un vocabulaire spécifique. L objet du tableau (la variable) s appelle
Plus en détail